See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/327989669

Variabilidad espacial y temporal de las sequías en Córdoba, Argentina

Conference Paper · September 2018

CITATIONS READS

0 77

1 author:

Alessio Bocco
Universidad Nacional de Río Cuarto
7 PUBLICATIONS 3 CITATIONS

SEE PROFILE

All content following this page was uploaded by Alessio Bocco on 01 October 2018.

The user has requested enhancement of the downloaded file.

 1 VARIABILIDAD ESPACIO-TEMPORAL DE LAS SEQUÍAS EN CÓRDOBA, ARGEN-
2 TINA
3
4 Bocco, A; Vinocur M.G.
5 Agrometeorología, Facultad de Agronomía y Veterinaria, Universidad Nacional de Río Cuarto,X5804BYA Río Cuarto, Pcia.
6 de Córdoba, Argentina
7
8 *Contacto: abocco@gmail.com
9
10 Palabras clave: SPEI; regionalización; tendencias
11
12 INTRODUCCIÓN
13 Las sequías son una manifestación extrema de la variabilidad climática y uno de los fenómenos meteorológicos más
14 complejos por la dificultad de su monitoreo y la consecuente detección de su comienzo y extensión espacial. Su comple-
15 jidad está relacionada a la inexistencia de una clara definición del fenómeno, aunque se la podría simplificar en un
16 desbalance más o menos prolongado entre la oferta hídrica y la demanda atmosférica (Wilhite and Glantz, 1985).
17 Para la gestión de este fenómeno y del riesgo que representa, es muy importante conocer como ha sido su comporta-
18 miento tanto desde el punto de vista espacial como temporal. El objetivo de este trabajo es analizar la variabilidad
19 espacio-temporal de las sequías en la provincia de Córdoba (Argentina) y su tendencia para el período 1961–2015 utili-
20 zando el índice SPEI (Índice estandarizado de precipitación y evapotranspiración) (Vicente-Serrano et al., 2010).
21
22 MATERIALES Y MÉTODOS
23 Los datos de precipitación mensual fueron provistos por el Servicio Meteorológico Nacional, el Instituto Nacional de
24 Tecnología Agropecuaria, la Secretaría de Recursos Hídricos de la provincia de Córdoba, la Universidad Nacional de Río
25 Cuarto y productores privados. Se realizó un control de calidad exhaustivo de las series para eliminar outliers y registros
26 sospechosos (Serrano-Notivoli et al., 2017) y a posteriori se verificó su homogeneidad con el paquete Climatol de R
27 (Guijarro, 2016). Este proceso permitió la creación de 126 series confiables de precipitación para el período 1961 – 2015.
28 Los datos de temperatura máxima y mínima mensual del aire, para el cálculo de la demanda atmosférica, fueron obtenidos
29 por medio de un Delta downscaling (Mosier et al., 2014) de la base de datos del Climate Research Unit (Harris et al.,
30 2014), utilizando como base la climatología de WorldClim 2.0 (Fick and Hijmans, 2017) para alcanzar una resolución
31 espacial de 1 km. Los resultados de este último análisis fueron contrastados con datos observados de 49 estaciones de
32 Córdoba y zonas aledañas, obteniéndose muy buenos resultados: sesgo de 0,03006 C y R2 de 0,90 para temperatura
33 máxima y sesgo 0,132176 C y R2 de 0,99 para temperatura mínima.
34 Con esos datos se calculó el SPEI para cada una de las 126 estaciones en una escala de tres meses para aproximarse a
35 la identificación de las sequías agrícolas. Este índice consiste en la estandarización de la diferencia entre la precipitación
36 mensual (P) y la evapotranspiración potencial (ETP) agregada en distintas escalas temporales según corresponda. Esta
37 acumulación es ajustada a una distribución log-logística de tres parámetros y luego transformada a desvíos estándar con
38 respecto a la media para la obtención de un índice estandarizado con media cero y desvío estándar de uno. Valores posi-
39 tivos del índice indican condiciones húmedas mientras que los negativos de sequías. La ETP se estimó con el método de
40 Hargreaves modificado, que contempla también la precipitación (Doggers and Allen, 2002).
41 La regionalización objetiva, considerando las series completas de SPEI 3, se realizó a través de un análisis de compo-
42 nentes principales (ACPR) y luego éstos fueron rotados (Richman, 1986). Esta técnica permite el agrupamiento de las
43 diferentes estaciones meteorológicas climáticamente homogéneas en función de los valores de SPEI. Al ser realizado en
44 modo S, los factores de peso de las componentes rotadas pueden ser graficadas para visualizar el patrón espacial de la
45 variable en estudio. El ACPR exige una serie de requisitos para poder ser aplicado, como el test de esfericidad de Barlett
46 y la prueba de Kaiser-Meyer-Olkin (KMO). Ambas pruebas tuvieron resultados satisfactorios por lo que fue posible rea-
47 lizar el análisis multivariado. Como criterio de corte para la retención de las distintas componentes se combinaron métodos
48 gráficos como el scree plot, la regla de Kaiser y análisis paralelos de Horn.
49 Una vez obtenidas las series regionales, se evaluó la tendencia no lineal a través de la descomposición empírica de los
50 modos (DEM) de cada serie (Torres et al., 2011). Se escogió este método por su robustez frente a vectores no estacionarios
51 y cuyas variaciones temporales no son lineales y porque las tendencias lineales tienden a enmascarar la variabilidad
52 climática.
53
54 RESULTADOS Y DISCUSIÓN
55 El análisis de ACPR permitió definir seis zonas homogéneas distintas basados en los componentes retenidos. Los seis
56 primeros componentes explican el 83,3% de la variabilidad total y surgen de considerar los resultados de las distintas
57 maneras de estimar los componentes a retener. En la Figura 1 se observan las estaciones que corresponden a las distin-
58 tas regiones identificadas: el componente principal rotado (CPR) 1 corresponde a la zona Centro-Norte agrupando 42

Asociación Argentina de Agrometeorología

 1 estaciones; CPR2 a la zona Sur conteniendo 19, el CPR3 a la zona Centro-Este con 17; CPR 4 a la zona Norte
2 agrupando 15 estaciones; CPR 5 a la zona Centro-Oeste con 15 y CPR 6 a la zona Este conteniendo 18 estaciones.

0.6
0.4
0.2

SPEI 3
0
-0.2
-0.4
-0.6

1976

1988

2008
1961
1963
1966
1968
1971
1973

1978
1981
1983
1986

1991
1993
1996
1998
2001
2003
2006

2011
2013
Centro Norte Sur Centro Este
Norte Centro Oeste Este

Figura 2 Tendencia no lineal del SPEI 3 para cada región

3 Para cada una de las zonas homogéneas se extrajo una serie re-
4 gional de SPEI 3 que resume la variabilidad presente dentro de ella.
5 El último componente de la DEM, que corresponde a la tendencia
6 no lineal de cada una de las regiones en cuestión se presenta en la
7 Figura 2.
8 Se observa que para las regiones Centro Norte, Sur y Este, el ín-
9 dice tuvo una tendencia positiva hasta fines de los 80s o principios
10 de los 90s para luego adquirir una pendiente negativa, siendo ésta
Figura 1 Regionalización basada en SPEI 3 11 especialmente significativa para el caso de la zona Centro-Norte. La
12 región Norte tuvo el pico de balances positivos unos años antes, a principios de los 80s para luego descender a una tasa
13 relativamente constante. La zona Centro Oeste presentó un comportamiento inverso, la tendencia fue levemente negativa
14 hasta el comienzo de la década del 90 cambiando a positiva hasta la actualidad, indicando balances hídricos crecientes.
15 Por último, la región Centro Este no mostró una variabilidad importante.
16 CONCLUSIONES
17 El territorio cordobés mostró una marcada variabilidad en cuanto a los valores del SPEI3 pese a su relativo pequeño
18 tamaño. Las regiones obtenidas son climáticamente coherentes por lo que son pertinentes para el diseño de un sistema
19 regional de monitoreo de sequías. Los resultados sobre las tendencias para las regiones Centro Norte, Sur y Este son muy
20 similares a los discutidos por Rivera et al., (2013) e indican un posible aumento en las deficiencias hídricas regionales.
21 Para las demás regiones son una novedad y vale la pena señalar que las series regionales obtenidas pueden ser asociadas
22 a forzantes oceánicos y atmosféricos para detectar los mecanismos que determinan el patrón de variabilidad descripto,
23 como por ejemplo el marcado aumento en los excesos que se observa en la zona Sur.
24 REFERENCIAS
25 Doggers, P., and Allen, R. G. (2002). Estimating reference evapotranspiration under inaccurate data conditions. Irrigation and drainage
26 systems 16, 33-45.
27 Fick, S. E., and Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International
28 Journal of Climatology 37, 4302-4315.
29 Guijarro, J. A. (2016). Automatización de la homogeneización de series climáticas: nuevas funciones del paquete Climatol 3.0. In
30 "Clima, sociedad, riesgos y ordenación del territorio", pp. 153-160.
31 Harris, I., Jones, P. D., Osborn, T. J., and Lister, D. H. (2014). Updated high-resolution grids of monthly climatic observations - the
32 CRU TS3.10 Dataset. International Journal of Climatology 34, 623-642.
33 Mosier, T. M., Hill, D. F., and Sharp, K. V. (2014). 30-Arcsecond monthly climate surfaces with global land coverage. International
34 Journal of Climatology 34, 2175-2188.
35 Richman, M. B. (1986). Rotation of principal components. Journal of Climatology 6, 293-335.
36 Rivera,J.A.,Penalba, O. C., and Betolli, M. L. (2013).Inter-annual and inter-decadal variability of dry days in Argentina. International
37 Journal of Climatology 33, 834-842.
38 Serrano-Notivoli, R., de Luis, M., and Beguería, S. (2017). An R package for daily precipitation climate series reconstruction.
39 Environmental Modelling & Software 89, 190-195.
40 Torres, M. E., Colominas, M. A., Schlotthauer, G., and Flandrin, P. (2011). A complete ensemble empirical mode decomposition with
41 adaptive noise.In "Acoustics,speech and signal processing (ICASSP),2011 IEEE international conference, pp. 4144-4147..
42 Vicente-Serrano, S. M., Beguería, S., and López-Moreno, J. I. (2010). A Multiscalar Drought Index Sensitive to Global Warming: The
43 Standardized Precipitation Evapotranspiration Index. Journal of Climate 23, 1696-1718.
44 Wilhite, D. A., and Glantz, M. (1985). Understanding the Drought Phenomenon: The Role of Definitions. Water International 10, 111-
45 120.
46
XVII Reunión Argentina de Agrometeorología

View publication stats